Ein mehrstufig annotierter Sensordatensatz zu Manifestationen und Schweregrad von Gehblockaden bei Parkinson

Warum das Stehenbleiben mitten im Schritt wichtig ist

Für viele Menschen mit Morbus Parkinson ist Gehen nicht nur langsamer oder zittriger – es kann plötzlich stoppen. Im Bruchteil einer Sekunde fühlen sich die Füße wie am Boden festgeklebt an, obwohl die Betroffenen verzweifelt versuchen, sich zu bewegen. Dieses beängstigende Ereignis, Freezing of Gait genannt, ist eine der Hauptursachen für Stürze, Verletzungen und den Verlust von Selbstständigkeit. Die Studie hinter dieser Zusammenfassung stellt FoG-STAR vor, einen umfangreichen neuen Datensatz, der mithilfe tragbarer Sensoren dokumentiert, wie Menschen mit Parkinson sich bei Alltagsbewegungen verhalten. Durch das offene Teilen dieser Daten mit Forschenden weltweit hoffen die Autorinnen und Autoren, die Entwicklung intelligenterer Geräte und Algorithmen zu beschleunigen, die solche Freezing-Episoden erkennen, messen und schließlich helfen können, sie zu verhindern.

Bewegung beobachten mit unauffälligen tragbaren Sensoren

Anstatt sich nur auf die kurze Beobachtung einer Ärztin oder eines Arztes in der Klinik zu stützen, nutzt das FoG-STAR-Projekt vier kleine Bewegungssensoren, um Schritt für Schritt zu verfolgen, wie sich der Körper bewegt. Zweiundzwanzig Freiwillige mit Parkinson trugen Sensoren an beiden Knöcheln, an einem Handgelenk und am unteren Rücken, ungefähr dort, wo sich der Körperschwerpunkt befindet. Jedes Gerät zeichnete hunderte Male pro Sekunde auf, wie schnell sich verschiedene Körperteile bewegten und rotierten, während die Teilnehmenden alltägliche Bewegungen ausführten, etwa Aufstehen, Hinsetzen, zehn Meter Gehen, Platzwenden oder das Durchschreiten einer Türöffnung. Alle Sitzungen wurden durchgeführt, während die Teilnehmenden in einem „Off-Medikament“-Zustand waren, sodass Freezing-Ereignisse eher auftreten würden. Gleichzeitig filmten Kameras alle Aktionen und lieferten eine visuelle Referenz für das, was die Sensoren registrierten.

Von Rohbewegungen zu etikettierten Freezing-Episoden

Das Sammeln der Signale ist nur die halbe Miete; die andere Hälfte besteht darin, zu verstehen, was sie bedeuten. Zwei Neurologinnen bzw. Neurologen, beide Expertinnen bzw. Experten für Bewegungsstörungen, überprüften die Videos Bild für Bild. Sie markierten, wann jede Freezing-Episode begann und endete, und beschrieben, wie sie aussah – ob die Person mit kleinen Schritten vorschob, an Ort und Stelle mit schnellen Beinbewegungen zitterte oder komplett feststeckte, ohne sich zu bewegen. Außerdem etikettierten sie, was die Person die restliche Zeit tat: Gehen, Stehen, Wenden, Sitzen oder Haltungswechsel. Diese detaillierten Markierungen wurden dann mit den Sensordaten synchronisiert und ergaben eine zeitlich ausgerichtete Aufzeichnung, in der jeder Moment der Bewegung mit dem klinischen Geschehen gekoppelt ist. Diese mehrschichtige Beschreibung ermöglicht es, Freezing im Kontext zu untersuchen statt als isolierte Ausreißer.

Ein Ressource für intelligentere Algorithmen aufbauen

Das Ergebnis ist eine offene, strukturierte Sammlung von 329.000 Sensormustern, von denen jedes mit einer Versuchsperson, einer Aufgabe, einer Aktivität und einem Freezing-Label verknüpft ist. In einer separaten Datei sind Alter, Krankheitsstadium, Bewegungswerte, kognitive Leistungsfähigkeit, Sturzangst und Lebensqualität der Teilnehmenden aufgeführt, sodass Forschende untersuchen können, wie sich Freezing-Muster zwischen Patientinnen und Patienten unterscheiden. Erste Tests mit Modellen des maschinellen Lernens zeigen, dass Deep-Learning-Methoden Freezing-Episoden mit hoher Genauigkeit erkennen können, insbesondere wenn Daten von Knöchelsensoren verwendet werden. Diese Modelle lassen sich sogar auf FoG-STAR trainieren und dann an andere Datensätze anpassen, was darauf hindeutet, dass FoG-STAR Schlüsselfeatures dessen erfasst, wie sich Freezing in Bewegungssignalen äußert. Die Autorinnen und Autoren beschreiben außerdem, wie sie technische Probleme wie die Synchronisierung mehrerer Sensoren und den Umgang mit gelegentlichen Datenlücken gelöst haben, und liefern damit eine Anleitung für ähnliche Studien.

Grenzen, Vorbehalte und Einsatz im realen Leben

Wie jede wissenschaftliche Ressource hat auch FoG-STAR Grenzen. Die Studie umfasst nur 22 Personen, die alle in einer sorgfältig kontrollierten Umgebung und ohne ihre übliche Medikation getestet wurden, sodass die Daten möglicherweise nicht die ganze Bandbreite der Freezing-Erscheinungen zu Hause oder in leichteren Krankheitsstadien widerspiegeln. Nicht jede teilnehmende Person absolvierte jede Aufgabe, und die Videos wurden auf zehn Bilder pro Sekunde reduziert, sodass extrem kurze Freezing-Ereignisse nicht exakt erfasst sein könnten. Trotzdem deckt der Datensatz eine breite Mischung aus Gangmustern, Wendungen und Haltungswechseln ab und bewahrt kleine Lücken und Unvollkommenheiten in den Signalen sichtbar, anstatt sie wegzusmoothen. Forschende können somit selbst entscheiden, wie sie die Daten für ihre Zwecke am besten bereinigen und interpretieren.

Was das für Menschen mit Parkinson bedeutet

Alltagsverständlich ist FoG-STAR wie ein detailliertes, zeitgestempeltes Tagebuch darüber, wie sich Freezing of Gait im Körper tatsächlich entfaltet – geschrieben nicht in Worten, sondern in Bewegung. Indem die Autorinnen und Autoren dieses Tagebuch offen und gut dokumentiert bereitstellen, geben sie Ingenieurinnen und Ingenieuren, Klinikerinnen und Klinikern sowie Datenwissenschaftlern einen gemeinsamen Ausgangspunkt, um neue Ideen und Werkzeuge zu vergleichen. Im Laufe der Zeit könnte solche Arbeit zu tragbaren Geräten führen, die Menschen kurz vor einem Freezing warnen, Behandlungen so anpassen, dass Freezing reduziert wird, oder zuhause durchgeführte Rehabilitationsübungen an die spezifischen Bewegungsmuster einer Person anpassen. FoG-STAR heilt Parkinson oder Freezing of Gait nicht von selbst, legt aber wichtiges Grundlagenwissen für Technologien, die eines Tages dazu beitragen könnten, dass Menschen sicherer und selbstbewusster gehen.

Zitation: Borzì, L., Demrozi, F., Bacchin, R.A. et al. A multi-level annotated sensor dataset of gait freezing manifestations and severity in Parkinson’s disease. Sci Data 13, 305 (2026). https://doi.org/10.1038/s41597-026-06645-1

Schlüsselwörter: Morbus Parkinson, Freezing of Gait (Gehblockade), tragbare Sensoren, Ganganalyse, Deep Learning